桥接过去和未来：克服增量目标检测中的信息不对称
原文中文，约400字，阅读约需1分钟。发表于：。在增量目标检测中，知识蒸馏已被证明是缓解灾难性遗忘的有效方法。通过 “桥接过去和未来”（BPF）方法，我们对模型进行了阶段间的对齐，确保了一致的优化方向；同时通过 “带有未来的蒸馏”（DwF）损失，充分利用背景概率减轻旧类别的遗忘，同时确保在学习新类别时保持高度适应性。在 Pascal VOC 和 MS COCO 基准测试中，BPF 在不使用内存的情况下在各种设置下胜过了当前最先进的方法。
自动驾驶和机器人技术中，利用短期历史数据增强多摄像头3D物体检测的兴趣日益增长。研究集中在基于鸟瞰图的特征在时间步内的空间对齐上。提出了一种名为DAP的模型，包括两个分支网络，通过预测和检测物体来提高整体检测性能。在nuScenes数据集上进行了实验，发现利用预测信息可以显著提高检测性能。
